[发明专利]一种基于GMM-UBM的非侵入式电气指纹识别方法

说明书

本发明公开了一种基于GMM‑UBM的非侵入式电气指纹识别方法，其特点是该方法包括通用背景模型的构建和训练、高斯混合模型的构建和训练、电气数据特征的提取、实时电气数据的采集等步骤，利用瞬时功率的梅尔频率倒谱系数作为唯一特征，标识不同设备的不同状态，在通用背景模型训练完成后，对于任何新出现的目标识别电器，都仅使用极少量数据训练的训练，就能具有对该电器的电气指纹高准确率的识别效果。本发明与现有技术相比具有高准确度地对电路中电器设备的工作状态变化进行识别，从而达到对电路进行监控、对危险用电进行警示等作用，方法简便，对训练数据量要求低、训练简易、高效，大降低了特征类别的区分难度，具有广泛的应用场景。

技术领域

本发明涉及电气指纹识别技术领域，具体地说是一种基于高斯混合模型-通用背景模型的非侵入式电气指纹识别方法。

背景技术

像每个人都具有独一无二的指纹信息一样，不同的电器由于内部电容、电感、电阻等电气元件的不同而在接通电路进行工作时所产生的电流、电压等电气特征也都各不相同，这些各不相同的电气特征也就是每个电器的“电气指纹”。通过非侵入式监控的方法，实时监测电路中的用电状况，识别和记录电路中电器的工作状况，甚至是识别出危险用电(电瓶车非法充电、宿舍中违规电器的使用等)，这对电能的合理分配以及用电安全具有重大意义。

现有技术识别某个电器的“指纹”，首先需要采集相当数量的该电器工作的电气数据，将模型进行训练后，模型才能具有较好的电气指纹识别能力。这种对大量预备数据的需求，导致模型的使用难度大大上升。反之，如果数据不充足，不但导致特征类别的区分难度高，而且分类判别的准确性低，大大影响了电器工作的安全用电，以及电路实时监测的应用意义。

发明内容

本发明的目的是针对现有技术的不足而提供的一种基于GMM-UBM的非侵入式电气指纹识别方法，采用构建通用背景模型和高斯混合模进行训练，利用瞬时功率的梅尔频率倒谱系数(MFCC)作为窗口向量的唯一特征，标识不同设备的不同状态，以非特定电器工作产生的电气数据训练得到通用背景模型UBM，利用该UBM和需要识别的特定电器在某个状态切换时产生的电气数据，训练出识别该状态切换的高斯混合模型GMM，即可实现电气指纹的识别，方法简便，对训练数据量要求低、训练简易、高效，大降低了特征类别的区分难度，进一步提高分类判别的准确性和识别准确率，为电能的合理分配以及用电安全提供了一种实时、高效，高准确率的技术方案。

实现本发明目的的具体技术方案是：一种基于GMM-UBM的非侵入式电气指纹识别方法，其特点是将提取的瞬时功率的梅尔频率倒谱系数作为识别特征，基于训练好的UBM模型，将少量的特定特征数据作为训练集进行训练，得到训练好的高斯混合模型，以非侵入式负载监控方式获得的电流、电压数据为输入，经过特征提取，送入训练好的GMM模型进行打分，从而监测到当前电路中正在工作的电器身份，实现电气指纹的识别。

本发明包括通用背景模型的构建和训练、高斯混合模型的构建和训练、电气数据特征的提取、实时电气数据的采集等，具体步骤如下：

步骤1：采集用来训练UBM的非特定电气数据，以及用来训练GMM模型的要识别的特定电器的电气数据，同时对后者进行标注；

步骤2：对步骤1的电气数据进行处理并分别形成UBM和GMM的训练集；

步骤3：构建并初始化UBM，并用步骤2中所得训练集训练UBM模型；

步骤4：构建并初始化GMM，并用步骤2中所得训练集训练GMMs(多个目标识别状态就需要训练产生多个GMM)；

步骤5：实时采集电路中的电气数据并且提取特征，所得特征送入训练后的GMMs，进行特征的打分；根据GMMs所给出的打分结果，判断当前特征分属于哪个特征类别，从而判断当前数据段所存在的电器状态的切换。